استفاده از هوش مصنوعی در صنعت داروسازی

چگونه شرکت های داروسازی از هوش مصنوعی برای بهبود مدیریت عملکرد دارایی و نگهداری پیش بینی شده برای جلوگیری از اتلاف دسته ای و کاهش هزینه های نگهداری و تعمیر استفاده می کنند؟

خلاصه

• تجزیه و تحلیل چند متغیره، نوعی تجزیه و تحلیل که توسط هوش مصنوعی فعال می شود، می تواند به شناسایی و عیب یابی مشکلات فرآیند و کیفیت محصول، افزایش بازده و کاهش محصول غیرمجاز کمک کند.
• دریابید که چگونه نرم‌افزار مبتنی بر هوش مصنوعی به یک شرکت داروسازی کمک کرد تا مجبور نباشد برای جلوگیری از اتلاف دسته‌ای، هر هشت دسته یک مهر و موم مکانیکی را در آسیاب مهره‌های خود جایگزین کند.
• بیاموزید که چگونه یک شرکت داروسازی دیگر توانست بیش از یک ماه از خرابی قریب الوقوع تجهیزات سیستم آب تصفیه شده خود مطلع شود تا از خرابی برنامه ریزی نشده جلوگیری کند.

برای اکثر کاربران فناوری‌های اتوماسیون صنعتی، هوش مصنوعی چیزی نیست که مستقیماً با آن تعامل داشته باشند. هوش مصنوعی در سیستم‌های مختلف برای پردازش داده‌ها در مقیاس، سرعت، دانه‌بندی و دقتی که توسط انسان‌ها قابل مقایسه نیست، استفاده می‌شود.

به همین دلیل است که استفاده از هوش مصنوعی شروع به تأثیرگذاری قابل توجهی بر روی فناوری‌های اتوماسیون مورد استفاده در سراسر صنعت داروسازی کرده است – به ویژه در مورد بینایی ماشین و تجزیه و تحلیل داده‌ها، همچنین برخی از کاربردهای تاثیرگذارتر هوش مصنوعی در صنایع داروسازی اتفاق می افتد.

و نباید خیلی تعجب آور باشد که صنایع داروسازی به دنبال بهینه سازی تولید با هوش مصنوعی هستند، با توجه به اینکه مقادیر تک دسته ای برای برخی داروها می تواند بیش از سه میلیون دلار باشد.

دو حوزه از کاربردهای هوش مصنوعی که شرکت‌های داروسازی روی آنها متمرکز شده‌اند شامل مدیریت عملکرد دارایی با استفاده از تجزیه و تحلیل پیشرفته برای ایجاد کارایی تولید و سیستم‌های تعمیر و نگهداری پیش‌بینی برای تجزیه و تحلیل الگوهای خرابی و ارائه هشدارهای ناهنجاری و هشدارهای قبلی در مورد خرابی تجهیزات معلق است.

ریچارد پورتر، مدیر جهانی داروسازی در AspenTech ، تامین‌کننده فناوری‌های نرم‌افزار صنعتی، می‌گوید که فرصت‌هایی برای کاهش هزینه‌های تولید در تمام مراحل چرخه عمر محصول وجود دارد. و تجزیه و تحلیل پیشرفته می تواند این فرصت ها را آشکار کند و به شرکت ها اجازه می دهد تا اقدامات آگاهانه ای برای صرفه جویی در هزینه انجام دهند. چه استفاده از تجزیه و تحلیل چند متغیره برای شناسایی تخریب فرآیند و تأثیر آن بر کیفیت یا پیش‌بینی کیفیت محصول نهایی برای کاهش زمان تأخیر در آزمایش‌های آزمایشگاهی، این تکنیک‌ها به شرکت‌های دارویی مزیت رقابتی ارائه می‌کنند.

پورتر همچنین خاطرنشان کرد که نرم‌افزار تجزیه و تحلیل چند متغیره را می‌توان برای منابع داده‌های موجود در تاسیسات تولید دارو – نه فقط برای دسته‌ای در فرآیند – برای تجزیه و تحلیل و نظارت مداوم بر نحوه تفاوت‌ها در خواص مواد، تغییرات در رویه‌ها، و ناهنجاری‌های فرآیند مانند رانش حسگر و تغییر استفاده کرد. شرایط محیطی بر محصول نهایی تأثیر می گذارد.

وی گفت: این ابزارها می توانند به شناسایی و عیب یابی مشکلات فرآیند و کیفیت محصول، افزایش بازدهی و کاهش محصولات غیرمجاز کمک کنند.

انواع خاصی از تجهیزاتی که سیستم های تعمیر و نگهداری پیش بینی مبتنی بر هوش مصنوعی در صنعت داروسازی به طور موثر از آنها محافظت می کنند، شامل تجهیزات اولیه مانند کمپرسورهای هوا و گریز از مرکز، بویلرها، پمپ ها و سیستم های تصفیه آب است. همچنین می‌توان هوش مصنوعی را برای تجهیزات تولید و بسته‌بندی ثانویه مانند اتوکلاو، آسیاب مهره‌ها، سانتریفیوژها، چیلرها، نوار نقاله‌ها، گرانولاتورها، خشک‌کن‌های بستر و صفحه سیال، پرس‌های غلتکی و قرص و سر اسپری به کار برد.

پورتر گفت که یکی از شرکت‌های دارویی AspenTech که با آن همکاری می‌کرد، در هر هشت دسته، مهر و موم مکانیکی را در آسیاب مهره‌های خود جایگزین می‌کرد تا از هدر رفتن دسته‌ای جلوگیری کند – با هزینه هر جایگزینی بیست و پنج هزار دلار. با استفاده از نرم‌افزار Mtell آسپن، که از هوش مصنوعی برای شناسایی الگوهایی که می‌توانند منجر به خرابی تجهیزات شوند، استفاده می‌کند، این شرکت توانست اختلالات زنجیره تامین ناشی از تعویض مهر و موم را کاهش دهد و هزینه‌های نگهداری چرخه عمر را تا 60 درصد کاهش دهد. علاوه بر این، این شرکت هزینه های سرمایه ای و هزینه های نگهداری چرخه عمر مرتبط را تا 50 درصد کاهش داد.

یکی دیگر از کاربردهای دارویی که پورتر به آن اشاره کرد، حول خرابی سیستم آب تصفیه شده بود. این خرابی ها کل بخش های کارخانه را به مدت یک هفته تعطیل می کند و منجر به از دست رفتن 15 دسته می شود.